Augment Code вытащила из своего монорепозитория несколько десятков AGENTS.md и на внутреннем наборе тестов AuggieBench сравнила, как один и тот же агент справляется с задачей при наличии этих файлов и без них. Лучшие файлы дают такой же прирост качества, как переход с Haiku на Opus, а худшие — ухудшают результат по сравнению с полным отсутствием AGENTS.md.
Почему это важно: Augment Code с помощью внутренних метрик измерила, насколько различается эффект от разных вариантов написания AGENTS.md; читатели могут использовать это, чтобы перестроить документацию в своём репозитории.
Автор разобрал архитектуру, всплывшую после утечки исходников Claude Code, и пришёл к выводу: в её основе лежит не секретный алгоритм, а цикл while на Python — меньше 30 строк — плюс словарь инструментов, а останавливается всё по stop_reason!
Почему это важно: Автор выделил из утёкшего кода 12 комбинируемых паттернов инженерии ИИ-агентов и предложил четырёхнедельный план освоения — удобно сверить со своей реализацией и найти пробелы.
Баоюй разбирает механизм кэширования промптов в Claude Code, объясняет, почему лимит так быстро расходуется, и даёт правила экономии токенов. Он отмечает, что кэш работает только для префикса: у основного агента окно кэша — 1 час, у дочерних агентов — 5 минут, а чтение из кэша стоит примерно в десять раз дешевле пересчёта. Поэтому частые /clear, наоборот, запускают полную перестройку контекста по полной цене. Критерий такой: если кэш ещё горячий и задача не сменилась — продолжайте диалог; новый сеанс открывайте только когда кэш истёк, задача сменилась или в контексте слишком много шума.
Почему это важно: Разберём, как расходуется квота Claude Code, отталкиваясь от механизма кэширования промптов: покажем, когда стоит продолжить сессию, а когда начать заново, и дадим готовые конфиги, которые можно скопировать.
Дрю Брейниг разобрал структуру сборки системного промпта по неожиданно утёкшему на прошлой неделе исходному коду Claude Code: все компоненты делятся на постоянно включённые и условно включённые, а их состав меняется в зависимости от таких переключателей, как output_style, repl_mode, user_type_ant, skills_enabled, mcp_connected и других.
Почему это важно: Автор разобрал динамическую логику сборки системного промпта в Claude Code и показал, как на практике устроена условная работа с контекстом.
Инженер команды Claude Code в Anthropic Тарик Шихипар обобщил опыт использования нескольких сотен активных Skills внутри компании и разбил их на девять категорий: библиотеки и справочники по API, проверка продуктов, сбор и анализ данных, автоматизация бизнес-процессов, генерация заготовок кода, качество кода и код-ревью, CI/CD и развёртывание, руководства по эксплуатации, а также работа с инфраструктурой.
Почему это важно: Классификацию и советы по написанию Skills, принятые внутри Anthropic для нескольких сотен инструментов, можно перенести на дизайн собственных Skills в команде.
Paper Compute · Engineering BlogИзбранное редакциейОценка ИИ7878
Бассим Эледат разбил практический путь AI-ассистированной разработки на 8 уровней: от автодополнения по Tab и IDE с ИИ-агентами до контекстной инженерии, композитной инженерии, MCP и навыков, Harness Engineering, фоновых ИИ-агентов и, наконец, автономных команд ИИ-агентов.
Почему это важно: Автор разбил AI-ассистированную разработку — от автодополнения по Tab до автономных команд ИИ-агентов — на 8 уровней, так что читатели могут определить, на каком этапе находится их команда.
Автор прогнал PDF через OCR с помощью открытых мультимодальных моделей серии Qwen 3.5: сначала экспортировал каждую страницу в изображение с разрешением 100 dpi через PyMuPDF, а затем отдал его модели на распознавание. По результатам тестов Qwen3.5-9B — это баланс между качеством и скоростью, а модели поменьше, от 0.8B до 2B, на сложных документах часто сбиваются и начинают пересказывать содержимое.
Почему это важно: Автор протестировал модели Qwen 3.5 разных размеров на OCR для PDF и описал два воспроизводимых пути — локальный и через OpenRouter — вместе с данными о затратах.
09.03пн
понедельник
Paper Compute · Engineering BlogИзбранное редакциейОценка ИИ7878
Команда Мартина Фаулера разобрала контекстную инженерию для ИИ-агентов разработки и разделила настройку контекста на переиспользуемые промпты (две категории — инструкции и руководства), контекстные интерфейсы (инструменты, MCP-сервер, Skills) и файлы рабочего пространства, а по тому, «кто решает, что загружать», — на три типа: LLM, человек и программное обеспечение агента.
Почему это важно: На примере Claude Code разбираем способы настройки контекста для ИИ-агентов разработки и показываем, как выбирать между загрузкой по требованию и постепенным наращиванием контекста.
27.01вт
вторник
Martin Fowler · Exploring Generative AIИзбранное редакциейОценка ИИ7070